End-to-End-AI-Strategien für das Timing marktübergreifender Futures

Zusammenfassung

Das Dokument untersucht, ob Modelle, die Marktbedingungen direkt auf Portfoliogewichte abbilden, herkömmliche marktübergreifende Futures-Strategien übertreffen können. Es beschreibt das Training solcher Strategien anhand von sechzehn liquiden CME-Futures mit einem differenzierbaren Sharpe-Ratio-Ziel und den Vergleich mit gleicher Gewichtung, Risikoparität und Zeitreihen-Momentum. Dabei entfallen die üblichen getrennten Schritte der Renditeprognose und der Allokationsoptimierung.

Die erlernten Strategien liegen bei einem zusammengefassten Portfolio und einigen Anlagegruppen vor regelbasierten Benchmarks, jedoch nicht durchgehend in allen Gruppen. Außerhalb der Stichprobe erzielen ein LSTM und ein Transformer eine ähnliche Bruttoleistung, doch Handelskosten verändern den Vergleich: Der Transformer handelt weniger und schneidet gegenüber dem LSTM besser ab. Bei moderaten Kosten erreicht oder übertrifft er die Gleichgewichtung. Der Auszug enthält weder detaillierte Leistungskennzahlen und Testzeitraum noch umfassendere Robustheitsprüfungen. Er belegt daher nicht, dass sich die Ergebnisse über die untersuchten Futures und Bewertungsbedingungen hinaus verallgemeinern lassen.

Kernaussagen

• Die Methode lernt Portfoliogewichte direkt aus Marktzuständen, statt vor der Optimierung Renditen zu prognostizieren.
• Das Training verwendet ein differenzierbares Sharpe-Ratio-Ziel für liquide marktübergreifende Futures.
• Zu den Benchmarks gehören Gleichgewichtung, Risikoparität und Zeitreihen-Momentum.
• Die erlernten Strategien liegen beim Gesamtportfolio und ausgewählten Anlagegruppen weit vorn, die Ergebnisse variieren jedoch nach Gruppe.
• Transaktionskosten begünstigen im berichteten Vergleich die weniger aktive Transformer-Strategie gegenüber dem LSTM.

Schlagwörter

# End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?


# End-to-End Parametric Portfolio Policies for Cross-Asset Futures Timing: When Do AI Models Beat Simple Rules?









Timing-based tilts across asset classes can drive much of the risk and return of a diversified cross-asset portfolio. The standard approach forecasts returns and then optimizes weights. We instead study an end-to-end AI-based policy that maps market states directly to portfolio weights, and we then ask when this one-step modeling approach outperforms simple rules-based strategies. We train these policies on the sixteen most liquid CME futures, where an edge is unlikely to be due to illiquidity, using a differentiable Sharpe ratio loss function, and we benchmark them against equal weighting, risk parity, and time-series momentum. The learned policies rank above the rules on the pooled cross-asset portfolio and in several sub-asset classes, but not uniformly. In gross terms, an LSTM and a transformer-based architecture perform comparably out-of-sample, but diverge when we consider transaction costs. The transformer generates the stronger learned policy, trades far less than the LSTM, and matches or exceeds equal weighting through moderate cost.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.